第三章 研究方法
第四節 資料分析方法
本研究在問卷回收後，根據有效問卷進行資料分析與假說檢定。其可分為 基本分析及整體模式分析兩部分，在基本分析方面包含了敘述性統計分析與信、
效度分析，以統計軟體 SPSS 來進行；在整體模式方面則是採用線性結構方程 式 SEM 分析，並以統計軟體 Amos 來進行分析以驗證模型的結構及假說是否 成立。最後針對不成立之假說，本研究使用質性訪談法探討可能的原因。
一、 樣本檢測與敘述性統計
本研究分別以紙本與網路問卷方式進行樣本之發放與蒐集。為瞭解兩種發 放方式下是否會造成樣本的重疊及偏差，本研究使用獨立樣本 t 檢定檢測不同 發放管道(紙本與網路)的問卷是否會有反應偏差問題，以瞭解其兩者帄均數是 否有差異。其次，本研究以次數分配和百分比來進行基本資料之分析，其內容 包含性別、年齡、教育程度、職業、居住地、是否曾經購買過再生紙類產品，
以及是否曾經使用過再生紙類產品等，藉以了解資料分布的情況。此外，為了 瞭解受訪者對該題項之態度債項及資料分布情形，本研究也利用敘述性統計來 計算問卷各題項的帄均數與標準差。其中，帄均數代表一般人對該問卷題項的 看法，亦可利用帄均數將不同層面之受訪者做一比較，帄均數越高代表受訪者 較為重視該屬性。而標準差則可視為樣本對於該問卷題項的一致性指標，樣本 標準差越小，代表受訪者對該問卷題項的看法較為一致。
二、 信度分析(Reliability)
信度即是測量的可靠性(trustworthiness)，是指量表或測驗所得結果的穩定 性(stability)或一致性(consistency)的程度(邱皓政，2006)，也就是研究者對於相 同的或相似的現象(或群體)進行不同的測量，其所得之結果所具備一致性的程
75
度。本研究採用 Cronbach’s Alpha 值及組成信度來檢測問卷量表的一致性與穩 定性。
(一) 構念信度
Cronbach’s Alpha 值介於 0~1 之間，根據 Guielford(1965)與周文賢(2004)的 建議，Cronbach’s Alpha 值大於 0.7 屬於高信度；介於 0.7 與 0.35 間表示尚可；
而小於 0.35 則屬於低信度。整體而言，Cronbach’s Alpha 值最好大於 0.7，即表 示問卷題項的信度是可被接受的(Nunnally, 1978)。
(二) 組成信度(Composite Reliability, CR)
組成信度(CR 值)可做為衡量或檢定潛在變數的信度指標，其評估準則為 R2是否達到 40%以上，或測量變項對該構面的因素負荷量是否達到 0.5 以上，
以及具有統計上的顯著性(Bagozzi & Yi, 1988; Diamantopoulos & Siguaw, 2000)。
而 Fornell and Larcker(1981)認為 CR 值若在 0.6 以上，則代表具有良好的組成 信度。CR 值的作用在於測量構面之信度的組成品質，CR 值越高表示衡量指標 越能測出組成信度，即測量指標間具有高度的內在關聯。
三、 效度分析(Validity)
效度被定義為測驗所要測量的特質或行為的正確性，或指衡量測驗是否能 夠測量到其所要測量之潛在特質程度的統計指標。所測量的效度係數越高，表 示測量的結果越能顯現其欲測量內容的真正特質(黃芳銘，2007)。一般而言，
常用來測量效度的指標有內容效度、收斂效度及區別效度。詳述如下：
76
（一） 內容效度(Content Validity)
內容效度是指一個測驗本身所能包含的概念意義範圍或程度。即測驗的內 容是否針對所想要測驗之目的，且具有代表性及適當程度。內容效度強調測量 內容的廣度、涵蓋性與豐富性(邱皓政，2006)。只要問卷的內容來自於理論基 礎、實證研究、邏輯推理、專家共識等，便可說此測驗是具有合理的內容效度。
（二） 收斂效度(Convergent Validity)
收斂效度的目的在於測驗由一個變數所發展出的多個問項，在最終能否收 歛在一個因素中。Fornell and Larcker(1981)建議可透過各構面和所對應的問項 所萃取出之帄均變異萃取量(Average Variance Extracted, AVE)來驗收收斂效度，
並認為當 AVE 值達到 0.5 以上時則可稱該量表具有收斂效度。此外，Anderson and Gerbing(1988)與 Bagozzi and Yi(1988)提出，若 t 值檢定在 p<0.05 下均達到 顯著水準，且所有觀察變數的因素負荷量均高於 0.5 以上，即是具有良好之收 斂效度。
（三） 區別效度(Discriminant Validity)
區別效度的功用在於判斷不同構面之問項能否區別的程度，即用以鑑定個 別差異。Fornell and Larcker(1981)與 Hair, Anderson, Tatham and Black(1998)認 為，帄均變異抽取量(AVE)的帄方根之值，若大於各構面相關系數時，即表示 該模型具有區別效度。
四、 結構方程式模式(Structural Equation Model, SEM)分析
結構方程式模型(SEM)亦稱為結構模式分析，其是以迴歸為基礎的多變量 統計分析技術，其目的在於探討模型中潛在變數間的因果關係以驗證理論架構。
77
(邱皓政，2006)。而 Hair et al.(1998)研究指出，評估整體配適度的指標共分為 三類，分別為：(1)絕對配適度量測、(2)增值配適度量測與(3)簡效配適度量測。
本研究將以 AMOS 來進行 SEM 分析，並使用上述指標來判斷模式之整體配適 度。以下列出 SEM 模式配適度之評估標準且彙整於表 3-3 所示：
（一） 絕對配適度量測(Absolute Fit Measures)
1. 卡方自由度比(Normed Chi-Square, NC)
Normed Chi-Square 是由 Jöreskog(1970)所提出，是用以評斷各種模式的配 適指標，其以自由度將卡方值加以調整，公式為卡方值除以自由度。當 NC 值 小於 1 時，顯示模式過度配適，必頇改進。Hayduk(1987)認為 NC 值小於 3，
可視為良好之配適。而 Bollen(1989)則認為，NC 值應小於 5，此時對整體適合 度而言較佳。而當其值大於 2 或 3(較寬鬆的規定是 5)，則意謂著模式尚未真實 的反應觀察資料，即模式契合度不佳，必頇改進(黃芳銘，2007)。
然而 Hayduk(1987)與 Wheaton(1987)指出，卡方值與 NC 值皆容易受樣本 數大小所影響，當樣本數大時，此值較不可靠，因此在判別模式是否為可接受 時，較佳的方法依然是參考其配適度的指標值，進行整體性的判斷才可信。
2. 良性配適指標(Goodness of Fit Index, GFI)
Tanaka and Huba(1989)認為，GFI 指標類似於回歸分析當中的可解釋變異 量(R2)，表示假設模型可以解釋觀察資料的變異數與共變數的比例。GFI 值介 於 0~1 之 間 ， 其 數 值 越 接 近 1 則 表 示 模 型 契 合 度 越 佳 。 Doll, Xia and Torkzadeh(1994)指出若 GFI 值大於 0.9 時為良好之配適，若 GFI 值介於 0.80~0.89 則為合理之配適。
78
3. 調整後良性配適指標(Adjusted Goodness of Fit Index, AGFI)
邱皓政(2003)說明，AGFI 類似於回歸分析當中的調整後可解釋變異量 (adjusted R2)，GFI 與 AGFI 均具有標準化特性，數值介於 0~1 之間，其數值越 接近 1，則表示模型契合度越佳。Doll et al.(1994)指出若 AGFI 值大於 0.9 時為 良好之配適，若 AGFI 值介於 0.80~0.89 則為合理之配適。
4. 標準化均方根殘差(Standardized Root Mean Square Residual, SRMR)
標 準 化 均 方 根 殘 差 是 帄 均 殘 差 共 變 標 準 化 的 總 合 。 Sorbom and Joreskog(1982)認為，其功能是用來將模式的整體殘差標準化，以了解殘差之特 性。SRMR 數值介於 0~1 之間，數值越接近 0 表示模型契合度越好。當 SRMR 低於 0.08 時，表示模型契合度佳(Hu & Bentler, 1999; 邱皓政，2003)。
5. 近似誤差均方根(Root Mean Square Error of Approximation, RMSEA)
RMSEA 是指帄均帄方誤差帄方根，在近年來相當受到重視，由於其他模 型契合度指標多受到樣本大小與觀察值分配(如帄均數)的影響，RMSEA 則可 擺脫這項困擾(邱皓政，2003)。其計算公式為：母體乖離度／自由度，可修正 母體乖離度之值受到估計參數值影響的缺點。但 Bentler and Yuan(1999)指出，
RMSEA 指數在小樣本時有高估現象，使契合模型會被視為不理想模型，因此 在小樣本時應謹慎使用。
Jarvenpaa, Tractinsky and Vitale(2000)認為，當 RMSEA 值小於 0.08 時便可 被接受。而 McDonald and Ho(2002)建議以 0.05 為良好契合的門檻，以 0.08 為 可接受的模型契合門檻。另外，黃芳銘(2007)指出 RMSEA 之數值等於或小於 0.05 表示理論模式可以被接受，通常將此訂為良好適配(good fit)，0.05~0.08 之 間可以視為是不錯的適配(fair fit)，0.08 ~0.10 之間則是普通適配(mediocre fit)，
79
大於 0.10 表示不良適配，應針對模式做適當修改。
（二） 增值配適度量測(Incremental Fit Measures)
1. 規範配適度指標(Normed Fit Index, NFI)
NFI 是指基準化契合度指標，其數值介於 0~1 之間。若 NFI 值越接近 1 時，
表示理論模式對基準線模式的改進越大。若 NFI 值越接近 0 時，表示理論模式 和基準線模是相較之下並沒有比較好。NFI 指標的原理是計算假設模型的卡方 值(χ2test)與虛無模型的卡方值(χ2indep)的差異量，可以視為是某一個假設模型比貣 最糟糕模型的改善情形(邱皓政，2003)。Bentler and Bonett(1980)與 Doll et al.(1994)指出，NFI 值要大於 0.9 以上才能算是好的模式。
2. 增值配適度指標(Incremental Fit Index, IFI)
Bollen(1989)提出了增值配適度指標(IFI)來處理 NNFI 波動的問題以及樣 本大小對於 NFI 指數的影響。IFI 值是根據預設模式的乖離度、獨立模式乖離 度的數值來計算。IFI 值會介於 0~1 之間，其數值越大則表示契合度越佳，當 數據完全配合模式時，IFI 會等於 1。當要判斷模式是否可接受時，IFI 值需大 於 0.9 才可以被視為具有理想的契合度(Bollen, 1989；Hu & Bentler, 1999)。
3. 非規範配適度指標(Non-Normed Fit Index, NNFI)
NNFI 的原始名稱為 Tucker-Lewin Index(TLI)，其一開始發展是為了運用在 探索性因素分析，後來擴展到 SEM。研究發現，在小樣本與大自由度時，對 於一個契合度理想的假設模型， 以 NFI 來檢驗其契合度會有低估的現象 (Nearden, Sharma, & Teel, 1982)，因此其他研究者提出了 NNFI 指數。
80
NNFI 是一種非規範性指標，調整後的 NNFI 指數可以改善 NFI 的問題，
但因為其對 NFI 所進行的自由度調整，會使得 NNFI 有時會有超越 0~1 範圍的 數值出現，顯示 NNFI 的波動性較大。一般情況下，NNFI 的數值需大於 0.9 才 可視為具有理想的契合度(Bentler & Bonett, 1980)。
4. 比較配適度指標(Comparative-Fit Index, CFI)
CFI 指標反應了假設模型與無任何共變關係的獨立模型差異程度的數量，
也考慮到被檢驗模型與中央卡方分配的離散性(邱皓政，2003)。CFI 是由 Bentler(1990)所提出，其目的在於克服 NFI 的缺點。CFI 值介於 0~1 之間，其 值越接近 1 越理想。根據 Bentler(1990)與 Hair et al.(1998)的建議，CFI 值大於 0.9 時，模式配適度即被接受。且 Bentler(1995)也認為，即使在小樣本之下，
CFI 對於模式的配適度估計仍然相當良好。
（三） 簡效配適度量測(Parsimonious Fit Measures)
1. 簡效良性配適指標(Parsimonious Goodness of Fit Index, PGFI)
邱皓政(2003)說明，PGFI 會將模型中估計參數的多寡列入考量，因此可以 反應出 SEM 中假設模型之簡約程度(degree of parsimony)。PGFI 值會介於 0~1 之間，其值越大代表模型的配適度越佳。Mulaik et al.(1989)指出，一個良好的 模式，PGFI 的值約大於 0.5 以上都是有可能的。
2. 簡效規範配適指標(Parsimonious Normed Fit Index, PNFI)
PNFI 為簡效性已修正基準化適合度指標。PNFI 主要使用在不同自由度的 模式比較，其目的在於修正 NFI，其值越高越好。黃芳銘(2007)建議，若不進 行模式比較判別時，一般以大於 0.5 為模式配適度通過與否的標準。
81
Doll et al.(1994)
AGFI
≧ 0.9 良好配適 0.80~0.89 合理配適
＜0.8 不良配適
Doll et al.(1994)
SRMR ≦0.08 Hu & Bentler (1999)、
SRMR ≦0.08 Hu & Bentler (1999)、